作为数据分析师， 清晰了解数据分析的步骤是非常重要的，有助于清楚把控整个数据分析的流程。

作为想要学习数据分析的人员，了解整个数据分析的流程， 这样在面对一个数据分析问题的时候，知道如何去开展。

那么数据分析流程包含哪些环节呢？

我将一次完整的数据分析流程主要分为六个环节，包括明确 分析目的、数据获取、数据处理、数据分析、数据可视化、总结与建议 。

做任何事情都有其对应的目的，数据分析也是如此。每一次分析前，都必须要先明确做这次分析的目的是什么，只有先明确了目的，后面的分析才能围绕其展开, 常见的数据分析目标包括以下三种类型：

指标波动型 : 主要是针对某个指标下降了，上涨或者异常所做的分析， 比如DAU(日活跃用户数)降低了， 留存率降低了， 电商平台的订单数量减少了， 收入降低了，质量指标如卡顿率上涨的，分析的主要目的是挖掘指标波动的原因， 及时发现业务的问题。

评估决策型 ：主要是针对某个活动上线， 某个功能上线， 某个策略上线的效果评估以及下一步迭代方向的建议，这些建议是指导产品经理或者其他业务方决策的依据。

专题探索型 : 主要是针对业务发起的一些专题的分析， 比如增长类的专题分析， 怎么提高用户新增，活跃，留存，付费， 比如体验类的专题分析， 如何提高用户查找表情的效率， 比如方向性的探索， 微信引入视频号的功能的用户需求分析以及潜在机会分析。

明确了数据分析目的之后， 第二步就是根据我们的分析目的，提取相对应的数据，通常这一个环节是利用 hive sql 从数据仓库中提取数据。

提取的数据通常要注意提取的维度和对应的指标个数，以电商app 的付费流失严重分析案例,我们需要提取的维度和指标可以根据具体的业务流程来(如图):

首先从维度上，我们需要确定好，比如时间维度我们提取的时间跨度是多长，比如今天的数据和昨天的对比，那就是取2天的数据，如果是这周和上周那就是十四天的数据。

设备维度的值是否需要提取ios和安卓的用户进行不同的平台的对比，分析付费流失严重是否主要发生在某个平台。

年龄、性别、地域维度，就是提取用户这些维度的信息， 主要是为了在哪一个年龄层， 哪一个性别，哪一个地域流失最严重。

新老用户的维度， 主要是从新旧维度上分析流失严重是否是集中在新用户还是老用户(如图所示)

确定好了维度以后， 接下来就是指标信息， 维度+ 指标才是一个完整的数据 。

因为需要分析每一个环节的流失情况，所以需要提取下单的每一个环节对应的指标的人数和次数。

基于这些人数和次数，我们可以计算每一个环节之间的转化率。

活跃浏览比 = 浏览的人数/活跃的人数

浏览添加比 = 添加的人数/浏览的人数

添加下单比 = 点击下单人数/添加购物车人数

成功下单率 = 成功下单的人数/点击下单的人数

当我们知道我们应该从哪里获取数据， 以及获取哪些指标数据后，为了保证我们提取的数据的质量，我们通常要对数据进行处理。

常见的数据处理有异常值处理，空值处理。举个例子， 比如我们在提取用户的年龄数据之前，我们需要去除掉年龄中的空的数据以及异常的数据， 异常的数据指得是比如年龄超过120岁这种。

数据处理好了之后，就可以开始分析，根据我们的分析目标，我们要选择合适的分析方法和分析思路去做拆解和挖掘。

常见的分析方法包括：漏斗分析， 相关性分析， 5w2h 分析， aha 时刻分析， 麦肯锡逻辑树分析法，用户画像分析，RFM用户分群，对比分析等方法，这些方法详细的介绍会在第三章展开， 在这里不做赘述

针对我们的订单流失的问题，典型的分析思路和方法是利用漏斗分析和用户画像分析。

漏斗分析主要是可以挖掘付费流失严重的主要流失环节是在哪里。我们发现付费流失严重主要是因为用户活跃到浏览商品的转化率从50%跌倒30%， 减少了20%，那就可以把问题定位到为什么用户浏览变少的问题上。

用户画像分析，可以帮助我们分析流失严重的用户是什么特征，比如什么样的年龄， 性别， 地域等， 那就可以知道这种流失是集中在哪一个年龄群体，哪一个地域群体以及其他的行为特征。

通过数据分析得出结论后，还需要用图表展示出来，俗话说得好，“文不如表，表不如图，用图表可以更清晰展现你的结论，通常的可视化我们可以利用excel 自带的可视化的功能， 也可以通过python或者R脚本进行可视化。

常见的图表有: 柱形图，折线图，饼图，条形图，面积图， 散点图，组合图，箱线图

当我们利用图表把我们的数据分析结论展示出来以后，最后就是数据分析的总结的部分，主要分成我们得出了什么具体的结论以及给业务具体的建议，告诉他们改进的方向。

这就是一次完整的数据分析的流程，从分析目的到提取数据，到分析数据给出结论的完整的过程。